آموزش واگذاری وظایف به GitHub Copilot: ایجاد روشهای مهندسی سریعتر و هوشمندتر - آخرین آپدیت
دانلود Delegating Tasks to GitHub Copilot: Building Faster, Smarter Engineering Practices
مقدمه Introduction
-
تنظیم Copilot برای دستیاری هوش مصنوعی Setting up Copilot for AI assistance
-
راهنمای شما برای واگذاری وظایف واقعی به GitHub Copilot Your guide to delegating real tasks to GitHub Copilot
1. طراحی فایلهای دستورالعمل موثر برای رفتار قابل اعتماد هوش مصنوعی 1. Designing Effective Instruction Files for Reliable AI Behavior
-
طراحی فایلهای دستورالعمل Designing instruction files
-
کدگذاری مرزها و شرایط توقف Encoding boundaries and stop conditions
-
چرا پرامپتهای تکمرحلهای شکست میخورند Why one-off prompts break down
-
دمو: اعمال اقتدار دستورالعملها Demo: Enforcing instruction authority
2. واگذاری وظایفی که منجر به خروجی کامل میشود 2. Task Delegation That Produces Complete Work
-
دمو: وظایف چند فایلی Demo: Multifile task
-
تفاوت واگذاری وظیفه با درخواست کمک Delegation vs. asking for help
-
چارچوب ساختاریافته واگذاری Structured delegation framework
-
برنامهریزی و کنترل محدوده (Scope) Planning and scope control
3. ایجاد محیطهای بهینه برای واگذاری به ایجنتها 3. Create Optimum Environments for Agent Delegation
-
آموزش قوانین محیطی به ایجنت Teach agent environmental rules
-
مفهوم مسیر طلایی (Golden Path) Golden Path concept
-
دمو: اعمال مسیر طلایی Demo: Apply golden path
-
طراحی ساختار سازگار با ایجنت Design agent-friendly structure
-
چرا ایجنتها در پروژههای واقعی شکست میخورند Why agents fail in real projects
4. دیباگینگ در حالت ایجنت با استفاده از فایلهای لاگ 4. Debugging with Agent Mode Using Log Files
-
واگذاری مبتنی بر لاگ Log-driven delegation
-
چرا لاگها بهترین ورودی هستند Why logs are best input
-
دمو: دیباگینگ مبتنی بر شواهد Demo: Evidence-based debugging
5. رسیدگی به دغدغههای امنیتی 5. Addressing Security Concerns
-
دمو: حسابرسی کد هوش مصنوعی Demo: Audit AI code
-
ریسکهای امنیتی در واگذاری وظایف Security risks in delegation
-
طراحی مرزهای امن Design safe boundaries
-
مقیاسبندی واگذاری در تیمها Scaling delegation across teams
6. پیادهسازی یکپارچگی سرتاسری (End to End) 6. Implementing End-to-End Integration
-
چه زمانی نباید واگذاری کرد When not to delegate
-
مودهای شکست رایج Common failure modes
-
دموی کامل گردش کار Full workflow demo
جمعبندی Conclusion
-
گامهای بعدی Next steps
https://donyad.com/d/cbc7c9
Tiffany Teasley
تیفانی تیزلی (Tiffany Teasley) — که با نام Data Sistah نیز شناخته میشود — دانشمند داده و مهندس هوش مصنوعی است.
تیفانی به متخصصان مشتاق داده کمک میکند تا از وضعیت ناشناخته به وضعیت استخدام برسند. او که یک دانشمند داده و مهندس AI تماموقت است، پیش از ورود به دنیای تکنولوژی، ۲۰ سال به عنوان معلم ریاضی دبیرستان فعالیت میکرد. او اولین مصاحبه دیتاساینس خود را شکست خورد زیرا هیچکس به او نگفته بود که شرکتها واقعاً به چه چیزی نیاز دارند. او به جای تسلیم شدن، مهارتها را به صورت خودآموز یاد گرفت، پروژههای واقعی ساخت و دوباره بازگشت تا شغل مورد نظرش را به دست آورد. امروز او از طریق Data Sistah به نسل بعدی کمک میکند تا با پروژههای دنیای واقعی، استراتژیهای هدفمند و راهنماییهای شخصیسازی شده برای پر کردن شکاف تجربه، مهارتهای خود را در حوزه AI ارتقا دهند. او که یکی از چهرههای برتر لینکدین (Top Voice) در سالهای ۲۰۲۴ و ۲۰۲۵ است، ماموریت سادهای دارد: هیچ توسعهدهندهای نباید پشت سر گذاشته شود.
نمایش نظرات